JP6789848B2 - Isolation management system and isolation management method - Google Patents
Isolation management system and isolation management method Download PDFInfo
- Publication number
- JP6789848B2 JP6789848B2 JP2017034494A JP2017034494A JP6789848B2 JP 6789848 B2 JP6789848 B2 JP 6789848B2 JP 2017034494 A JP2017034494 A JP 2017034494A JP 2017034494 A JP2017034494 A JP 2017034494A JP 6789848 B2 JP6789848 B2 JP 6789848B2
- Authority
- JP
- Japan
- Prior art keywords
- unit
- isolation
- state
- work
- deep learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000002955 isolation Methods 0.000 title claims description 103
- 238000007726 management method Methods 0.000 title claims description 37
- 238000000034 method Methods 0.000 claims description 72
- 238000013135 deep learning Methods 0.000 claims description 56
- 230000013016 learning Effects 0.000 claims description 54
- 238000013528 artificial neural network Methods 0.000 claims description 50
- 238000004458 analytical method Methods 0.000 claims description 48
- 230000006870 function Effects 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 31
- 230000008859 change Effects 0.000 claims description 25
- 230000002787 reinforcement Effects 0.000 claims description 25
- 239000000284 extract Substances 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 12
- 238000013461 design Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 description 22
- 238000010586 diagram Methods 0.000 description 17
- 238000004088 simulation Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000946 synaptic effect Effects 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 241000699666 Mus <mouse, genus> Species 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Automation & Control Theory (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Manufacturing & Machinery (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Description
本発明の実施形態は、プラントにおいて、工事、保守点検、修理などを行う際に、対象となる機器を一時的に隔離するアイソレーション作業を管理するアイソレーション管理技術に関する。 An embodiment of the present invention relates to an isolation management technique for managing an isolation work that temporarily isolates a target device when performing construction, maintenance, inspection, repair, or the like in a plant.
従来、発電所などのプラントにおけるアイソレーション作業を行う前に、専門のエンジニアが各機器の接続関係を示す展開接続図などを参照し、他の機器に対する影響を検討しながら作業計画を作成している。このようなアイソレーション作業に関わる手間を軽減するために、プラントの母線点検のための作業計画立案を自動化する技術が提案されている。また、設計図書から対象となる図面を抽出する技術が提案されている。さらに、アイソレーション作業の実施時に誤った作業が行われることを防ぐ技術が提案されている。 Conventionally, before performing isolation work in a plant such as a power plant, a specialized engineer creates a work plan while considering the impact on other equipment by referring to the deployment connection diagram showing the connection relationship of each equipment. There is. In order to reduce the labor involved in such isolation work, a technique for automating work planning for bus bus inspection of a plant has been proposed. In addition, a technique for extracting a target drawing from a design document has been proposed. Further, a technique has been proposed to prevent erroneous work from being performed when performing isolation work.
プラントには多数の機器が設けられており、全ての機器を考慮してアイソレーションの作業計画の立案をしようとすると、膨大な量の計算を行わなければならない。例えば、対象となる範囲に100個の機器があり、その全てにON・OFFの2つの状態が存在する場合では、2の100乗(1×10の30乗以上)のパターンが存在することになる。そのため、全てのパターンを計算して求めることは効率的ではなく、作業計画を効率的に立案することができないという課題がある。 The plant is equipped with a large number of equipment, and if an isolation work plan is to be made considering all the equipment, a huge amount of calculations must be performed. For example, if there are 100 devices in the target range and all of them have two states of ON and OFF, there is a pattern of 2 to the 100th power (1 x 10 to the 30th power or more). Become. Therefore, it is not efficient to calculate and obtain all patterns, and there is a problem that a work plan cannot be efficiently formulated.
本発明の実施形態はこのような事情を考慮してなされたもので、アイソレーション作業に最も適した作業計画を効率的に生成することができるアイソレーション管理技術を提供することを目的とする。 An embodiment of the present invention has been made in consideration of such circumstances, and an object of the present invention is to provide an isolation management technique capable of efficiently generating a work plan most suitable for isolation work.
本発明の実施形態に係るアイソレーション管理システムは、少なくとも遮断器と断路器と分電盤とから成る複数の要素を用いて構築されたプラントに関する少なくとも設計図書を含む情報が記憶されたデータベースと、前記プラントにおけるアイソレーション作業の対象箇所の指定を受け付ける受付部と、前記指定された対象箇所に関する前記要素の状態を変化させたときに、他の箇所の前記要素で生じる状態の変化のパターンを前記データベースに記憶された情報に基づいて解析する解析部と、前記解析された変化のパターンが複数あり、これらの変化のパターンから特定のパターンを深層学習に基づいて抽出する深層学習部と、前記抽出された特定のパターンに基づいて作業計画を生成する計画生成部と、前記生成された作業計画を出力する出力部と、を備え、前記深層学習部は、多層のニューラルネットワークから成る中間層と、学習済みの前記多層のニューラルネットワークを構築するための学習データを生成する学習データ生成部と、を備え、前記学習データ生成部は、前記解析部で解析された前記遮断器および前記断路器の開放状態または遮断状態を0または1で表現した第1行列データを生成する第1行列データ生成部と、前記解析部で解析された前記遮断器および前記断路器の前記開放状態または前記遮断状態に対応する前記分電盤の導通状態または非導通状態を0または1で表現した第2行列データを生成する第2行列データ生成部と、を備え、前記深層学習部は、前記第1行列データおよび前記第2行列データを含む前記学習データを前記多層のニューラルネットワークに学習させて、この学習済みの前記多層のニューラルネットワークにより前記変化のパターンの特徴量を取得し、この特徴量に基づいて前記特定のパターンを抽出する。 The isolation management system according to the embodiment of the present invention includes a database in which information including at least a design document regarding a plant constructed by using a plurality of elements including at least a breaker , a breaker, and a distribution board is stored. The reception unit that accepts the designation of the target location for the isolation work in the plant, and the pattern of the state change that occurs in the element at another location when the state of the element with respect to the designated target location is changed are described. An analysis unit that analyzes based on the information stored in the database, a deep learning unit that extracts a specific pattern from these changed patterns based on deep learning, and the extraction. A plan generation unit that generates a work plan based on a specific pattern created and an output unit that outputs the generated work plan are provided , and the deep learning unit includes an intermediate layer composed of a multi-layered neural network. A learning data generation unit for generating training data for constructing the trained multi-layer neural network is provided, and the training data generation unit opens the breaker and the breaker analyzed by the analysis unit. Corresponds to the first matrix data generation unit that generates the first matrix data in which the state or the cutoff state is expressed by 0 or 1, and the open state or the cutoff state of the breaker and the breaker analyzed by the analysis unit. The deep learning unit includes the first matrix data and the second matrix data generation unit that generates the second matrix data in which the conduction state or the non-conduction state of the distribution board is represented by 0 or 1. The training data including the second matrix data is trained by the multi-layer neural network, the feature amount of the change pattern is acquired by the trained multi-layer neural network, and the specific feature amount is used based on the feature amount. Extract the pattern .
本発明の実施形態により、アイソレーション作業に最も適した作業計画を効率的に生成することができるアイソレーション管理技術が提供される。 An embodiment of the present invention provides an isolation management technique capable of efficiently generating a work plan most suitable for an isolation work.
以下、本実施形態を添付図面に基づいて説明する。まず、発電所などのプラントは、配電システム、運転機器、監視機器などの複数の要素を用いて構築される。このようなプラントにおいて、機器またはシステムなどの工事、保守点検、修理などを行う際に、作業員の安全確保、他の機器または他のシステムに与える影響を最小限に抑える必要がある。そのため、作業の対象となる機器またはシステムを、他の機器または他のシステムから電気的に隔離して停止(停電)させる。このような作業をアイソレーションと称する。 Hereinafter, the present embodiment will be described with reference to the accompanying drawings. First, a plant such as a power plant is constructed using a plurality of elements such as a power distribution system, operating equipment, and monitoring equipment. In such a plant, when performing construction, maintenance, inspection, repair, etc. of equipment or system, it is necessary to ensure the safety of workers and minimize the influence on other equipment or system. Therefore, the equipment or system to be worked on is electrically isolated from other equipment or other system and stopped (power failure). Such work is called isolation.
従来では、アイソレーション作業の計画を立案する際に、各機器の接続関係を示す単線結線図、構成機器の制御関係を示すECWD(展開接続図)、IBD(インターロックブロック線図)、ソフトロジック図などを含む設計図書を、専門のエンジニアが参照する。そして、影響を検討しながら計画の立案を行う。例えば、原子力発電所では、アイソレーション計画をエンジニアが策定する際に、数千から数万の関連図書を調査する必要がある。また、エンジニアには、専門性と熟練された経験が必要とされ、多くの労力が費やされる。さらに、エンジニアの検討不足または見落としなどに起因する計画のミスによって異常を知らせる警報が発生したり、プラントの運転が停止したりしてしまう事象も生じる。 Conventionally, when making a plan for isolation work, a single line connection diagram showing the connection relationship of each device, ECWD (expanded connection diagram), IBD (interlock block diagram), and soft logic showing the control relationship of constituent devices. A professional engineer refers to the design documents including figures. Then, make a plan while considering the impact. For example, in a nuclear power plant, thousands to tens of thousands of related books need to be investigated when an engineer develops an isolation plan. In addition, engineers need specialized and skilled experience, and a lot of labor is spent. In addition, an alarm may be issued to notify the abnormality or the operation of the plant may be stopped due to a planning error caused by insufficient consideration or oversight of the engineer.
さらに、実際のアイソレーション作業には、所定の手順がある。この手順(順序)通りに作業を進めないと警報が発せられたり、インターロックが作動してプラントに影響を与えたりする事象が生じる。そのため、アイソレーション作業のために操作が必要となる機器について、専門のエンジニアが手順毎に、設計図書やプラントの状態を参照しながら評価する必要があり、多大な労力を要していた。このような人手による評価を、手順毎にシミュレーション評価する手法もあるが、シミュレーションには多くの計算コストが嵩む。 Further, the actual isolation work has a predetermined procedure. If the work is not performed according to this procedure (order), an alarm may be issued or an interlock may be activated to affect the plant. Therefore, it is necessary for a specialized engineer to evaluate the equipment that needs to be operated for the isolation work by referring to the design documents and the state of the plant for each procedure, which requires a great deal of labor. There is also a method of performing simulation evaluation of such manual evaluation for each procedure, but simulation requires a lot of calculation cost.
また、アイソレーション作業の計画を立案する際に、例えば、ジャンパーする端子または遮断器について、予めルールを設けてシミュレーションパターンを大幅に減らすことも考えられる。しかし、シミュレータによってアイソレーションパターンを抽出した場合において、抽出されたアイソレーションパターンが最適な計画であるか否かが明確でない。この最適の定義は、管理者のマネジメント指針に依存する。例えば、作業員の被ばく線量を最小に抑えるアイソレーション計画および作業工数(時間)を最も短くするアイソレーション計画などが、最適なアイソレーション計画案として想定される。 In addition, when making a plan for isolation work, for example, it is conceivable to set rules in advance for jumper terminals or circuit breakers to significantly reduce simulation patterns. However, when the isolation pattern is extracted by the simulator, it is not clear whether the extracted isolation pattern is the optimum plan. This optimal definition depends on the management guidelines of the administrator. For example, an isolation plan that minimizes the exposure dose of workers and an isolation plan that minimizes the work man-hours (time) are assumed as the optimum isolation plan.
図1の符号1は、アイソレーション作業の計画を管理し、自動的に作業計画を生成する、アイソレーション管理システム1である。このアイソレーション管理システム1は、プラントの建屋、配置図、P&ID、ECWD、IBD、単結線図、ソフトロジック図などのプラントの設計図書と、プラントの運転、監視、計装機器などの運転状態に関する運転情報(プロセスデータ)と、プラント内での工事計画、進捗などの人員計画情報と、プラント内の各作業箇所の放射線量、温度、湿度などの環境情報と、現場での障害物、干渉物、高所作業などの作業性に関する工事情報と、過去のトラブル事象などを日時、場所、機器、システム、工事毎に対応付けて記憶したトラブル情報と、過去に作成したアイソレーション作業計画と、が記憶された統合データベース2を備える。
なお、これらの各種情報は、統合データベース2上で相互に関連付けられている。すなわち、各種情報を示すデータが構造化されている。また、統合データベース2は、プラント内に設けたデータサーバ上に構築しても良いし、プラント外の施設に設けたサーバ上に構築しても良いし、ネットワーク上のクラウドサーバに構築しても良い。さらに、これらの各種情報は、事前に統合データベース2に入力される。
It should be noted that these various types of information are associated with each other on the integrated
また、アイソレーション管理システム1は、所定の機器または所定のシステムをアイソレーションした場合に、他の機器または他のシステムに与える影響の変化をシミュレートするプラントシミュレータ3を備える。なお、このプラントシミュレータ3は、アイソレーション作業の計画を生成するときにプラントをシミュレートすることに用いる解析部4と、生成された作業計画に従ってアイソレーション作業を実行した場合にプラントで生じる各種変化をシミュレートすることに用いる検証部5と、各種データを保持するデータ保持部81とを備える。
Further, the
さらに、解析部4は、アナログ回路の解析を行うアナログ回路解析部6と、論理回路の解析を行う論理回路解析部7と、グラフ理論などに基づいた経路探索の解析を行う経路探索解析部8とを備える。なお、前述の3つの解析部6,7,8の他にも任意の解析手法(ロジック)を解析部4にインストールすることも可能である。なお、解析部4は、アイソレーション作業の対象箇所に関する機器またはシステムの状態を変化させたときに、他の機器またはシステムで生じる状態の変化のパターンを統合データベース2に記憶された情報に基づいて解析する。また、検証部5も解析部4と同一構成を成し、生成された作業計画を統合データベース2に記憶された情報に基づいて検証する。
Further, the
また、アイソレーション管理システム1は、統合データベース2のデータおよびプラントシミュレータ3の解析結果に基づいて、アイソレーション計画の生成に関わる処理を行う深層学習部9を備える。この深層学習部9は、多層のニューラルネットワーク10を備える。なお、プラントシミュレータ3は、プラントの挙動をシミュレートするコンピュータである。一方、深層学習部9は、機械学習を行う人工知能を備えるコンピュータである。
Further, the
また、深層学習部9は、学習済みの多層のニューラルネットワーク10を構築するために必要な学習データを生成するための学習データ生成部11を備える。この学習データ生成部11は、解析部4が解析した第1種類の機器(要素)の状態を入力量Xとする第1行列データを生成する第1行列データ生成部12と、解析部4が解析した第2種類の機器(要素)の状態を出力量Yとする第2行列データを生成する第2行列データ生成部13とを備える。
Further, the deep learning unit 9 includes a learning data generation unit 11 for generating learning data necessary for constructing a trained multi-layer
さらに、深層学習部9は、統合データベース2に記憶された各種情報に報酬関数を設定する報酬関数設定部14と、報酬関数に基づいてアイソレーション計画の価値が最も高くなるものを抽出する強化学習部15と、アイソレーション作業の操作手順(実行順序)を抽出する操作手順抽出部16とを備える。
Further, the deep learning unit 9 has a reward
なお、プラントシミュレータ3および深層学習部9は、個別の機器上に実装しても良いし、プラントに関する施設内のコンピュータまたはサーバなどに実装しても良いし、プラントに関する施設外のクラウドサーバに実装しても良い。 The plant simulator 3 and the deep learning unit 9 may be mounted on individual devices, on a computer or server in the facility related to the plant, or on a cloud server outside the facility related to the plant. You may.
また、アイソレーション管理システム1は、深層学習部9にて抽出された所定のパターンに基づいて作業計画を生成する計画生成部17と、アイソレーション管理システム1の管理者が用いるユーザインターフェース18とを備える。
Further, the
なお、ユーザインターフェース18は、例えば、プラントに関する施設内のパーソナルコンピュータまたはタブレット端末などで構成される。また、ユーザインターフェース18は、プラントにおけるアイソレーション作業の対象となる機器などが存在する箇所の指定を受け付ける受付部19と、生成された作業計画を出力する出力部20とを備える。さらに、受付部19は、管理者が入力作業を行うキーボードおよびマウスなどの入力機器を備える。また、出力部20は、作業計画の出力先となる表示機器、印刷機器、またはデータ保存機器などを備える。
The
また、アイソレーション管理システム1は、統合データベース2とプラントシミュレータ3と深層学習部9と計画生成部17とユーザインターフェース18とを統合的に制御するメイン制御部100を備える。また、深層学習部9は、各種データを保持するデータ保持部82を備える。
Further, the
次に、多層のニューラルネットワーク10の一例を図2に示す。この多層のニューラルネットワーク10では、ユニットが複数の層状に並べられ、それらが結合している。各ユニットは複数の入力uを受け、出力zを計算する。ユニットの出力zは総入力uの活性化関数fの出力として表される。活性化関数は重みやバイアスを有する。このニューラルネットワーク10は、入力層21と出力層22と少なくとも1層以上の中間層23とを備える。
Next, an example of the multi-layer
本実施形態では、6層のレイヤー24を有する中間層23が設けられたニューラルネットワーク10を用いている。なお、中間層23の各レイヤー24は、300個のユニットで構成されている。また、多層のニューラルネットワーク10に学習データを予め学ばせておくことで、回路またはシステムの状態の変化のパターンの中にある特徴量を自動で抽出することができる。なお、多層のニューラルネットワーク10は、ユーザインターフェース18上で、任意の中間層数、ユニット数、学習率、学習回数、活性化関数を設定することができる。
In this embodiment, a
また、ニューラルネットワーク10とは、脳機能の特性をコンピュータのシミュレーションによって表現した数学モデルである。例えば、シナプスの結合によりネットワークを形成した人工ニューロン(ノード)が、学習によってシナプスの結合強度を変化させ、問題解決能力を持つようになるモデルを示す。なお、本実施形態のニューラルネットワーク10は、深層学習により問題解決能力を取得する。
The
次に、本実施形態のアイソレーションの作業計画を生成するプロセスを説明する。本実施形態では、プラント内の電源供給システムの一部を成す配電システム25の改造工事作業を例示する。
Next, the process of generating the isolation work plan of the present embodiment will be described. In this embodiment, the modification work of the
図3は、アイソレーション作業前の配電システム25の状態を示す構成図である。図4は、アイソレーション作業中の配電システム25の状態を示す構成図である。なお、理解を助けるために、配電システム25の回路を簡素化して図示している。
FIG. 3 is a configuration diagram showing a state of the
図3および図4に示すように、配電システム25は、複数の遮断器26〜34と複数の断路器35〜45と複数の変圧器46〜52と複数の分電盤53〜60とを備える。これらの要素を用いて配電システム25が構築される。なお、遮断器26〜34と断路器35〜45とが第1種類の要素を成し、これらに接続される分電盤53〜60が第2種類の要素を成す。また、複数の母線61〜63が設けられ、これらの母線61〜63から分電盤53〜60を介して、プラントの各装置に電力供給がなされる。
As shown in FIGS. 3 and 4, the
また、図3および図4において、紙面上方側が電源に近い上流側の要素であり、紙面下方側が電源から遠い下流側の要素である。本実施形態では、所定の1つの分電盤53を修理するために、この分電盤53を配電システム25からアイソレーション(隔離)する例を示す。なお、図中の「×」の印が付いている遮断器26〜34または断路器35〜45は、開放されていること(絶縁状態:OFF状態)を示す。一方、「×」の印が付いていない遮断器26〜34または断路器35〜45は、閉じていること(導通状態:ON状態)を示す。
Further, in FIGS. 3 and 4, the upper side of the paper surface is the element on the upstream side close to the power source, and the lower side of the paper surface is the element on the downstream side far from the power source. In this embodiment, an example in which the
本実施形態では、3つの母線61〜63のそれぞれに対し、分電盤53〜55が接続される。なお、これらの分電盤53〜55は、遮断器26〜28および変圧器46〜47を介して母線61〜63に接続される。そして、これらの分電盤53〜55を介して、さらに下流側の分電盤56〜60に電力が供給される。なお、上流側の分電盤53〜55と下流側の分電盤56〜60とは、遮断器29〜34、断路器35〜39、および変圧器48,49,51,52を介して接続される。また、下流側の分電盤56〜60同士は、断路器40〜44を介して互いに接続される。
In the present embodiment,
なお、それぞれの遮断器26〜34および断路器35〜45は、ONとOFFとの2つの状態がある。さらに、分電盤53〜60は、動作と停止との2つの状態がある。本実施形態では、これらの要素の各状態を変化させたときのパターンが複数存在する。これらのパターンのうちでアイソレーションに最適な状態を示すパターンを特定する。なお、以下の説明において、アイソレーションの対象となる1つの分電盤53を、本実施形態における対象箇所Tの分電盤53と称する場合がある。
The
図3に示すように、アイソレーション作業前において、所定の母線61から対象箇所Tの分電盤53に電力供給がなされている。さらに、この分電盤53を介して下流側の分電盤56,57に電力供給がなされている。なお、他の1つの分電盤54が停止しており、この分電盤54に接続された遮断器27,33および断路器38が開放されている。さらに他の分電盤55は、動作しているものの、この分電盤55の下流側の遮断器34および断路器39が開放されている。つまり、下流側の5つの分電盤56〜60に対しては、対象箇所Tの分電盤53を介して電力供給がなされている。
As shown in FIG. 3, before the isolation work, power is supplied from the
例えば、対象箇所Tの分電盤53のアイソレーションを行う場合に、この分電盤53に直接的に接続されている全ての遮断器26,29〜32を開放し(図3において遮断器29は既に開放された状態で図示してある)、さらに開放された遮断器29〜32の下流側の断路器35,36を開放する。すると、対象箇所Tの分電盤53と、下流側の全ての分電盤56〜60とに対し、母線61からの電力供給が停止される。つまり、対象箇所Tに関する遮断器26,29〜32および断路器35,36の状態を変化させたときに、他の箇所の分電盤56〜60の状態が変化する。
For example, when isolating the
ここで、下流側の特定の分電盤56は、通電状態を維持するという運用ルールがあるとする。この運用ルールに基づくと、対象箇所Tの分電盤53のアイソレーションを行った時点で、特定の分電盤56が停電状態になってしまうので、異常警報が発せられてしまう。このように、各要素の状態の変化のパターンが、異常警報が発せられてしまうパターンとならないように、別の電力供給ルートを通して特定の分電盤56に電力供給を行うパターンを特定する必要がある。
Here, it is assumed that there is an operation rule that the
例えば、図4に示すように、別の電力供給ルートとして、他の母線63からの電力供給を行うルートを確保する。この母線63に対応する分電盤55に接続された遮断器34および断路器39を閉じることで、下流側の分電盤60に電力供給がなされる。そして、この分電盤60から特定の分電盤56に電力供給がなされる。この図4に示す状態が、アイソレーションが完了した最適な状態を示す特定のパターンである。
For example, as shown in FIG. 4, as another power supply route, a route for supplying power from another
なお、アイソレーション作業には、所定の機器の操作手順(順序)がある。例えば、特定の分電盤56がある場合に、この分電盤56に対する別の電力供給ルートが確保された後に、アイソレーション作業を行う。また、所定の遮断器34および断路器39を閉じた後に、他の遮断器26〜32および断路器35,36の開放を行うようにする。また、遮断器30,31および断路器35,36が互いに接続されている場合において、遮断器30,31の開放の後に、これに対応する断路器35,36の開放を行うようにする。
The isolation work includes a predetermined device operation procedure (order). For example, when there is a
本実施形態では、アイソレーションに最適な各要素の状態の変化のパターンを、プラントシミュレータ3および深層学習部9を用いて自動的に抽出する。まず、深層学習を行うために必要な学習済みの多層のニューラルネットワーク10のモデルが無い場合について説明する。
In the present embodiment, the pattern of the state change of each element that is optimal for isolation is automatically extracted using the plant simulator 3 and the deep learning unit 9. First, a case where there is no model of the trained multi-layer
図1に示すように、作業計画を生成する際に、アイソレーション管理システム1は、まず、アイソレーションの対象箇所Tの指定を受け付ける。そして、管理者は、ユーザインターフェース18を用いて対象箇所Tの分電盤53を指定する入力操作を行う。この入力操作を受け付けたアイソレーション管理システム1は、対象箇所Tの分電盤53が接続されている機器およびシステムに関連する設計図書などを統合データベース2から呼び込む。
As shown in FIG. 1, when generating a work plan, the
そして、設計図書に含まれる接続情報、機器情報、および属性情報をリスト化し、プラントシミュレータ3の解析部4に取り込む。さらに、統合データベース2に記憶された機器のプロセスおよび状態情報(例えば、遮断器26〜34が開放されているか閉じているかを示す情報)などを解析部4に取り込む。
Then, the connection information, the device information, and the attribute information included in the design document are listed and taken into the
ここで、解析部4は、機器、属性、接続、状態情報がリストになったものに基づいて、アナログ回路解析部6、論理回路解析部7、若しくは、経路探索解析部8を用いたシミュレーションを行う。なお、これらの解析部6,7,8は、対象となる回路またはシステムに応じて、1つ若しくは2つ以上を組み合わせることが可能である。例えば、単結線図をベースにしたシステム図とIBDとから成るシミュレーションを対象とする場合に、論理回路解析部7と経路探索解析部8とを組み合わせることが可能である。このようにすれば、アイソレーション作業を行ったときにプラントの各要素に与える影響および挙動をシミュレーションすることができる。
Here, the
また、解析部4では、各要素(機器)の状態、例えば、全ての遮断器26〜34および断路器35〜45の状態をそれぞれ変化させた場合の対象箇所Tの分電盤53の導通状態を出力する。なお、それぞれの変化のパターンが多数存在する。これらの変化のパターンを、深層学習部9の学習データ生成部11に送信する。
Further, in the
また、学習データ生成部11では、解析部4から出力された遮断器26〜34および断路器35〜45(第1種類の要素)の属性または状態を入力量Xとし、解析部4から出力された分電盤53〜60(第2種類の要素)の属性または状態を出力量Yとしてリスト化する。
Further, in the learning data generation unit 11, the attributes or states of the
また、学習データ生成部11の第1行列データ生成部12では、遮断器26〜34および断路器35〜45のそれぞれの状態、すなわち開放状態または遮断状態を、0または1で表現し、入力量Xの第1行列データとして生成する。
Further, in the first matrix
また、学習データ生成部11の第2行列データ生成部13では、遮断器26〜34および断路器35〜45がそれぞれ所定の状態であるときの分電盤53〜60の状態、すなわち導通状態または非導通状態を、0または1で表現し、出力量Yの第2行列データとして生成する。なお、本実施形態では、出力量として、0、1の離散値を出力しているが、出力層での活性化関数等を任意のものに設定することで、0、1以外の多クラスに分類することや、連続値を出力することも可能である。
Further, in the second matrix
このリスト化された行列データを学習データとして、多層のニューラルネットワーク10に学習させる。なお、深層学習部9では、出力結果の正答率が高くなるように、学習済みのニューラルネットワーク10を構築する。例えば、検証用のデータを入力した場合の出力結果と答え(期待される出力)との齟齬が小さくなるように、学習済みのニューラルネットワーク10を構築する。
The listed matrix data is used as training data and trained by the multi-layer
次に、学習済みの多層のニューラルネットワーク10を用いて、アイソレーション計画を生成する手順を説明する。まず、ユーザインターフェース18を用いて対象箇所Tの分電盤53の指定を受け付ける。本実施形態では、工事の対象箇所Tの分電盤53をOFFにする指示が入力される。
Next, a procedure for generating an isolation plan using the trained multi-layer
また、統合データベース2から対象箇所Tの分電盤53と、この分電盤53に接続されている機器およびシステムに設けられている要素であって、遮断器26〜34および断路器35〜45の状態情報を深層学習部9に出力する。この深層学習部9では、これらの入力量Xに基づいて構築された学習済みのニューラルネットワーク10を用いて、対象箇所Tの分電盤53がOFFとなる遮断器26〜34および断路器35〜45の状態の組み合わせパターンを抽出する。
Further, the
本実施形態では、対象箇所Tの分電盤53に関する遮断器26〜34および断路器35〜45のON/OFFの組み合わせのパターンを、入力量Xとして学習済みのニューラルネットワーク10に入力する。そして、分電盤53〜60の状態のうち、対象箇所Tの分電盤53がOFFとなる遮断器26〜34および断路器35〜45のON/OFFの組み合わせのパターンを抽出する。
In the present embodiment, the pattern of the ON / OFF combination of the
ここで、遮断器26〜34および断路器35〜45の実際の操作に関して、その操作手順がない場合(現場の作業者がいずれの操作から開始しても良い場合)は、抽出されたON/OFFの組み合わせのパターンに基づいて作業計画の生成を行うことができる。一方、特定の操作手順がある場合(現場の作業者が特定の操作から開始しなければならない場合)に、深層学習部9は、抽出されたON/OFFの組み合わせのパターン(特定のパターン)と、操作手順のルールおよびロジックとを操作手順抽出部16に入力する。この操作手順抽出部16は、ルールおよびロジックに従った遮断器26〜34および断路器35〜45のON/OFFの操作手順を抽出し、抽出した操作手順を出力する。なお、操作手順のルールおよびロジックは、ユーザインターフェース18上で入力することや、あらかじめ統合データベース2に記録しておくことができる。
Here, regarding the actual operation of the
なお、操作手順抽出部16では、アイソレーション作業の操作の過程で取り得る遮断器26〜34および断路器35〜45のON/OFFの組み合わせのパターンを入力量Xとして学習済みのニューラルネットワーク10に入力し、分電盤53〜60の状態のパターンを出力量Yとして出力する。その際に、操作手順抽出部16に入力された操作手順のルールまたはロジックに基づいて、入力量Xおよび出力量Yを絞り込む。そして、最終的に対象箇所Tの分電盤53が目的の状態となる操作手順を抽出する(リスト化する)。
In the operation
また、抽出されたパターン(リスト)および操作手順には、複数の計画案(候補)が存在することが想定される。そこで、プラント内の環境情報などの任意の情報を用いて、複数の計画案の中から最適な計画案を、強化学習部15を用いて抽出する。この強化学習部15では、機械学習の一種である強化学習を用いる。この強化学習では、行動価値を表す価値関数を規定する必要がある。本実施形態では、価値関数を多層のニューラルネットワーク10で表現する深層強化学習を用いる。
In addition, it is assumed that there are a plurality of draft plans (candidates) in the extracted patterns (lists) and operation procedures. Therefore, using arbitrary information such as environmental information in the plant, the optimum plan is extracted from the plurality of plans by using the
なお、抽出されたパターンおよび操作手順が強化学習部15に入力される。さらに、統合データベース2に記憶された環境情報を含む任意の情報が強化学習部15に入力される。例えば、発電所内のエリア毎の放射線量、温度、湿度、位置情報(座標)、または作業者の移動距離などが入力される。さらに、これらの情報を報酬関数で定義する。例えば、対象箇所Tの分電盤53が配置されるエリアの環境が、放射線量が1μSv/h、温度が25℃、湿度が30%、移動距離が10mである場合に、これらに対応する報酬関数を、それぞれ−1点、−1点、−6点、−6点であると定義する。
The extracted patterns and operation procedures are input to the
なお、これらの報酬関数の設定には、管理者が規定した任意の関数を用いることができる。例えば、遮断器30,31が配置されるエリア、断路器35,36が配置されるエリアなどのように、各要素が配置されるエリア毎に環境情報を報酬関数として定義する。これらの報酬関数と入力されたパターンと操作手順に関する少なくともいずれかの情報であって、遮断器26〜34および断路器35〜45のON/OFFの作業に伴う作業エリアの遷移を入力量Xとし、多層のニューラルネットワーク10を用いて価値関数を表現する。このような価値関数を用いることで、複数の計画案のうち、最も価値が高くなる計画案を決定する。
Any function specified by the administrator can be used to set these reward functions. For example, environmental information is defined as a reward function for each area where each element is arranged, such as an area where
そして、決定された計画案に基づいて計画生成部17が作業計画を生成する。この作業計画は、作業者が認識可能な文章および図面で構成される書類であっても良いし、作業を支援するデータであっても良い。この計画生成部17にて生成された作業計画は、最終的にアウトプットされる前に、プラントシミュレータ3の検証部5に入力される。
Then, the
この検証部5では、作業計画に従ってアイソレーション作業を実施した場合のプラントへの影響を検証する。例えば、シミュレータをもとにした評価システムで、回路図またはシステム図などの物理モデルに基づいた検証を行う。そして、作業計画に従ってアイソレーション作業を実施した場合に、異常警報の発生、またはアイソレーション作業の間違いの発生などがないかを検証する。このようにすれば、深層学習部9が抽出した特定のパターンに基づく作業計画が適切であるか否かを、実際にアイソレーション作業を行う前に検証することができる。この検証の結果、作業計画に問題が無い場合は、ユーザインターフェース18の出力部20によってアウトプットされる。
The
このように本実施形態では、多層のニューラルネットワーク10を用いた深層学習部9とプラントシミュレータ3とを組み合わせることで、アイソレーションの作業計画を自動で生成することができる。さらに、シミュレータ単独でアイソレーションの作業計画を立てる場合と比較して、計算コストを抑えることができる。また、強化学習部15を用いることで、作業を最も効率的に行うことが可能なアイソレーション作業の計画立案を自動で行うことができる。
As described above, in the present embodiment, the isolation work plan can be automatically generated by combining the deep learning unit 9 using the multi-layer
本実施形態では、多層のニューラルネットワーク10により変化のパターンの特徴量が取得され、この特徴量に基づいて特定のパターンが抽出されることで、複数の変化のパターンから特定のパターンが抽出するための処理効率を向上させることができる。
In the present embodiment, the feature amount of the change pattern is acquired by the multi-layer
また、学習済みの多層のニューラルネットワーク10により特定のパターンが抽出されることで、複数の変化のパターンから特定のパターンが抽出する時間を短縮することができる。
Further, by extracting a specific pattern by the trained multi-layer
また、学習データ生成部11は、統合データベース2に記憶された過去の作業計画に基づいて学習データを生成することで、過去に行われたアイソレーション作業を踏襲した作業計画を生成することができ、作業計画の信頼性を高めることができる。
Further, the learning data generation unit 11 can generate a work plan that follows the isolation work performed in the past by generating the learning data based on the past work plan stored in the
また、深層学習部9は、第1行列データおよび第2行列データを含む学習データを多層のニューラルネットワーク10に学習させることで、プラントを構成する各種類の要素に応じた学習データを生成することができ、プラントのアイソレーション作業に適した多層のニューラルネットワーク10を構築することができる。
Further, the deep learning unit 9 trains the learning data including the first matrix data and the second matrix data in the multi-layer
また、強化学習部15は、複数の特定のパターンからそれぞれ生成された複数の計画案から、報酬関数に基づいて価値が最も高くなる計画案を抽出することで、アイソレーション作業に最も適したパターンを抽出することができる。なお、強化学習部15は、強化学習の1つのオプションとして、ニューラルネットワークを用いた深層強化学習機能15Aを有する。
In addition, the
また、操作手順抽出部16は、抽出された特定のパターンに基づいてアイソレーション作業の操作手順を抽出することで、アイソレーション作業に最も適した操作手順を抽出することができる。
Further, the operation
本実施形態のアイソレーション管理システム1は、CPU、ROM、RAM、HDDなどのハードウェア資源を有し、CPUが各種プログラムを実行することで、ソフトウェアによる情報処理がハードウェア資源を用いて実現されるコンピュータで構成される。さらに、本実施形態のアイソレーション管理方法は、プログラムをコンピュータに実行させることで実現される。
The
次に、アイソレーション管理システム1が実行する処理について図5から図8のフローチャートを用いて説明する。なお、フローチャートの各ステップの説明にて、例えば「ステップS11」と記載する箇所を「S11」と略記する。
Next, the process executed by the
図5に示すように、まず、統合データベース2は、プラントに関する設計図書、運転情報、人員計画情報、環境情報、工事情報、トラブル情報、および過去の作業計画を含む各種情報を記憶する(S11:図1の経路R1)。次に、ユーザインターフェース18の受付部19は、管理者の入力操作に基づいて、アイソレーション作業の対象箇所Tの指定を受け付ける(S12:図1の経路R2,R3)。例えば、対象箇所Tの分電盤53の指定を受け付ける。
As shown in FIG. 5, first, the
次に、アイソレーション管理システム1のメイン制御部100は、ユーザインターフェース18において指定された対象箇所Tの分電盤53(要素)に関する情報であって、この分電盤53の近傍の遮断器26〜34および断路器35〜45の情報、例えば各分電盤や遮断器26〜34、断路器35〜45のON・OFFや開閉の状態を、統合データベース2からプラントシミュレータ3のデータ保持部81および深層学習部9のデータ保持部82に呼び出す(S13:図1の経路R6,R11)。
Next, the
次に、メイン制御部100は、ユーザインターフェース18において指定された対象箇所に関して既に学習済みのニューラルネットワーク10があるか否かを判定する(S14:図1の経路R4)。ここで、学習済みのニューラルネットワーク10が無い場合は、後述のS20に進む。一方、学習済みのニューラルネットワーク10が有る場合は、S15に進む。
Next, the
S15にてメイン制御部100は、統合データベース2から呼び出した情報に基づいて、対象箇所Tの要素と状態を深層学習部9に設定する(図1の経路R6)。例えば、分電盤53をOFFにする設定を行う。
In S15, the
次に、メイン制御部100は、統合データベース2に記憶された情報に基づいて、対象箇所Tに関する要素の状態の組み合わせパターンのリストを生成する(S16)。例えば、対象箇所Tの分電盤53に直接的または間接的に接続されている遮断器26〜34および断路器35〜45のON/OFFの状態を示す組み合わせのリストを生成する。
Next, the
次に、メイン制御部100は、メイン制御部100が生成した対象箇所Tに関する要素の状態の組み合わせパターンのリストを学習済みの深層学習部9のニューラルネットワーク10に入力する(S17:図1の経路R7)。
Next, the
次に、ニューラルネットワーク10は、対象箇所Tの要素の状態と、この要素に関する他の要素に対する影響および警報の有無などの解析結果を得る(S18)。次に、メイン制御部100は、ニューラルネットワーク10の深層学習により特定のパターン、つまり、対象箇所Tの分電盤53がOFFとなる遮断器26〜34および断路器35〜45のON/OFFの組み合わせのパターンをデータ保持部82に抽出し(S19:図1の経路R20)、後述のS30に進む。
Next, the
図6に示すように、前述のS14にて学習済みのニューラルネットワーク10が無い場合に進むS20において、学習データ生成部11は、統合データベース2から取得した情報に含まれる各種情報をリスト化し、または既にリスト化されているものを呼び出す(図1の経路R8)。なお、リスト化とは、データをピックアップしたり、変換を行ったりする処理を示す。次に、プラントシミュレータ3の解析部4が各種情報のリストを取り込む(S21:図1の経路R9)。次に、解析部4は、データ保持部81に保持されたデータに基づいて(図1の経路R21)、プラントの配電システム25のシミュレーションモデルを生成する(S22)。
As shown in FIG. 6, in S20, which proceeds when there is no
次に、メイン制御部100は、深層学習を利用するか否かを判定する(S23)。ここで、アイソレーション作業に適した特定のパターンの抽出のための計算量(判定値)が所定の閾値未満である場合、つまり、総当り方式のシミュレーションで処理が可能な場合は、深層学習を利用しないと判定し、後述のS28に進む。一方、アイソレーション作業に適した特定のパターンの抽出のための計算量(判定値)が所定の閾値以上である場合、つまり、深層学習を利用した処理が必要である場合は、深層学習を利用すると判定し、S24に進む。
Next, the
S24にてプラントシミュレータ3の解析部4は、各要素の状態を示すデータの生成を行う。例えば、全ての遮断器26〜34および断路器35〜45の状態をそれぞれ変化させた場合の対象箇所Tの分電盤53の導通状態を示すデータを生成し、学習データ生成部11に送る(図1の経路R10)。
In S24, the
次に、深層学習部9の学習データ生成部11は、学習データの生成を行う(S25)。例えば、学習データ生成部11は、遮断器26〜34および断路器35〜45のそれぞれの状態を示す第1行列データ、および分電盤53〜60の状態を示す第2行列データの生成を行う。
Next, the learning data generation unit 11 of the deep learning unit 9 generates learning data (S25). For example, the learning data generation unit 11 generates first matrix data indicating the states of the
次に、メイン制御部100は、深層学習部9において、行列データを学習データとして多層のニューラルネットワーク10に学習させる(S26:図1の経路R5)。次に、深層学習部9では、学習済みのニューラルネットワーク10を構築し(S27)、前述のS15に戻る。
Next, the
前述のS23にて深層学習を利用しないと判定した場合に進むS28において、解析部4のシミュレーションモデルに対象箇所Tの要素と状態を設定する(図1の経路R11)。次に、総当り方式のシミュレーションを行い、アイソレーション作業に適した特定のパターンを抽出し(S29)、S30に進む。 In S28, which proceeds when it is determined in S23 that deep learning is not used, the element and state of the target location T are set in the simulation model of the analysis unit 4 (path R11 in FIG. 1). Next, a brute force simulation is performed, a specific pattern suitable for the isolation work is extracted (S29), and the process proceeds to S30.
図7に示すように、S30にてメイン制御部100は、データ保持部81に抽出した特定のパターンの操作、つまり、遮断器26〜34および断路器35〜45の実際の操作に関して特定の操作手順が必要であるか否かを判定する。ここで、特定の操作手順が必要ない場合は、後述のS34に進む。一方、特定の操作手順が必要である場合は、S31に進む。
As shown in FIG. 7, the
S31にてメイン制御部100は、データ保持部81,82に保持した特定のパターンを深層学習部9の操作手順抽出部16に入力する(図1の経路R12,R13)。次に、メイン制御部100は、遮断器26〜34および断路器35〜45の実際の操作に関する操作手順のルールおよびロジックを深層学習部9の操作手順抽出部16に入力する(S32:図1の経路R12,R13)。次に、操作手順抽出部16は、ルールおよびロジックに従った操作手順を特定し、この操作手順を得る(S33)。
In S31, the
S34にてメイン制御部100は、深層学習部9において特定のパターンおよび操作手順に基づいて候補となる複数の計画案を生成する。次に、メイン制御部100は、深層学習部9において候補となる複数の計画案を強化学習部15に入力する(S35:図1の経路R15)。
In S34, the
次に、メイン制御部100は、プラントに関する任意の情報であって統合データベース2から取得した環境情報を含む情報を強化学習部15に入力する(S36:図1の経路R15)。次に、メイン制御部100は、入力されたプラントに関する任意の情報に報酬関数を深層学習部9の報酬関数設定部14に設定し(S37:図1の経路R14)、S38に進む。なお、報酬関数設定部14に設定された報酬関数が強化学習部15に入力される(図1の経路R23)。また、操作手順に関する情報も強化学習部15に入力される(図1の経路R24)。
Next, the
図8に示すように、S38にてメイン制御部100は、複数の計画案の中から最適な計画案を抽出するために深層強化学習を利用するか否かを判定する。ここで、最適な計画案の抽出のための計算量(判定値)が所定の閾値未満である場合、つまり、総当り方式で最適な計画案の抽出処理が可能な場合は、深層強化学習を利用しないと判定し、総当り方式で価値関数を定義し(S40)、S41に進む。
As shown in FIG. 8, in S38, the
一方、最適な計画案の抽出のための計算量(判定値)が所定の閾値以上である場合、つまり、深層強化学習で最適な計画案の抽出処理が必要である場合は、深層強化学習を利用するとメイン制御部100が判定し、多層のニューラルネットワーク10を用いて価値関数を表現し(S39)、S41に進む。
On the other hand, when the calculation amount (judgment value) for extracting the optimum plan is equal to or more than a predetermined threshold value, that is, when the extraction process of the optimum plan is required for deep reinforcement learning, deep reinforcement learning is performed. When it is used, the
S41にてメイン制御部100は、深層学習部9の強化学習部15において候補となる複数の計画案毎に価値関数で計算した報酬を特定し、この特定した報酬に関する情報を計画生成部17に出力する(図1の経路R16)。次に、計画生成部17は、報酬が最も高い計画案に基づいて作業計画を生成し、この作業計画をプラントシミュレータ3の検証部5に出力する(S42:図1の経路R17)。
In S41, the
次に、検証部5は、データ保持部81に保持されたデータに基づいて(図1の経路R22)、作業計画に従ってアイソレーション作業を実施した場合のプラントへの影響を検証する処理を行う(S43)。次に、検証部5は、作業計画が適切であるか否かを判定する(S44:図1の経路R18)。ここで、作業計画が適切である場合は、計画生成部17を介して、この作業計画がユーザインターフェース18の出力部20によってアウトプットされ(S45:図1の経路R19)、処理を終了する。一方、作業計画が適切でない場合は、ユーザインターフェース18の出力部20によって不適切報知を行い(S46)、処理を終了する。
Next, the
なお、本実施形態の所定の値と判定値との判定において「判定値以上か否か」の判定をしているが、この判定は、「判定値を超えているか否か」の判定でも良いし、「判定値以下か否か」の判定でも良いし、「判定値未満か否か」の判定でも良い。 In the determination of the predetermined value and the determination value of the present embodiment, "whether or not the determination value is exceeded" is determined, but this determination may be "whether or not the determination value is exceeded". However, the judgment may be "whether or not it is below the judgment value" or "whether or not it is less than the judgment value".
なお、本実施形態のフローチャートにおいて、各ステップが直列に実行される形態を例示しているが、必ずしも各ステップの前後関係が固定されるものでなく、一部のステップの前後関係が入れ替わっても良い。また、一部のステップが他のステップと並列に実行されても良い。 Although the flowchart of the present embodiment illustrates a mode in which each step is executed in series, the context of each step is not necessarily fixed, and even if the context of some steps is exchanged. good. Also, some steps may be executed in parallel with other steps.
本実施形態のアイソレーション管理システム1は、専用のチップ、FPGA(Field Programmable Gate Array)、GPU(Graphics Processing Unit)、またはCPU(Central Processing Unit)などのプロセッサを高集積化させた制御装置と、ROM(Read Only Memory)またはRAM(Random Access Memory)などの記憶装置と、HDD(Hard Disk Drive)またはSSD(Solid State Drive)などの外部記憶装置と、ディスプレイなどの表示装置と、マウスまたはキーボードなどの入力装置と、通信I/Fとを、備えており、通常のコンピュータを利用したハードウェア構成で実現できる。
The
なお、本実施形態のアイソレーション管理システム1で実行されるプログラムは、ROMなどに予め組み込んで提供される。もしくは、このプログラムは、インストール可能な形式または実行可能な形式のファイルでCD−ROM、CD−R、メモリカード、DVD、フレキシブルディスク(FD)などのコンピュータで読み取り可能な記憶媒体に記憶されて提供するようにしても良い。
The program executed by the
また、アイソレーション管理システム1で実行されるプログラムは、インターネットなどのネットワークに接続されたコンピュータ上に格納し、ネットワーク経由でダウンロードさせて提供するようにしても良い。また、このアイソレーション管理システム1は、構成要素の各機能を独立して発揮する別々のモジュールを、ネットワークまたは専用線で相互に接続し、組み合わせて構成することもできる。
Further, the program executed by the
なお、本実施形態では、プラント内の電源供給システムの一部を成す配電システム25の改造工事作業を例示しているが、配電システム以外のアイソレーションの作業計画を生成するために本発明を適用しても良い。
In the present embodiment, the modification work of the
なお、深層学習部9は、特定パターンとして他の箇所で生じる変化が最小となるパターンを抽出するようにしても良い。このようにすれば、他の箇所に与える影響が最も少なく、かつアイソレーション作業に最も適したパターンを抽出することができる。 The deep learning unit 9 may extract a pattern that minimizes changes that occur in other places as a specific pattern. By doing so, it is possible to extract a pattern that has the least influence on other parts and is most suitable for the isolation work.
以上説明した実施形態によれば、指定された対象箇所に関する要素の状態を変化させたときに、他の箇所の要素で生じる状態の変化のパターンを解析する解析部と、解析された変化のパターンが複数あり、これらの変化のパターンから特定のパターンを深層学習に基づいて抽出する深層学習部とを備えることにより、アイソレーション作業に最も適した作業計画を効率的に生成することができる。 According to the embodiment described above, when the state of the element related to the specified target location is changed, the analysis unit that analyzes the pattern of the state change that occurs in the element of the other location and the analyzed change pattern. By providing a deep learning unit that extracts a specific pattern from these change patterns based on deep learning, it is possible to efficiently generate a work plan most suitable for the isolation work.
本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更、組み合わせを行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。 Although some embodiments of the present invention have been described, these embodiments are presented as examples and are not intended to limit the scope of the invention. These embodiments can be implemented in various other forms, and various omissions, replacements, changes, and combinations can be made without departing from the gist of the invention. These embodiments and modifications thereof are included in the scope and gist of the invention, as well as in the scope of the invention described in the claims and the equivalent scope thereof.
1…アイソレーション管理システム、2…統合データベース、3…プラントシミュレータ、4…解析部、5…検証部、6…アナログ回路解析部、7…論理回路解析部、8…経路探索解析部、9…深層学習部、10…ニューラルネットワーク、11…学習データ生成部、12…第1行列データ生成部、13…第2行列データ生成部、14…報酬関数設定部、15…強化学習部、15A…深層強化学習機能、16…操作手順抽出部、17…計画生成部、18…ユーザインターフェース、19…受付部、20…出力部、21…入力層、22…出力層、23…中間層、24…レイヤー、25…配電システム、26〜34…遮断器、35〜45…断路器、46〜52…変圧器、53〜60…分電盤、61〜63…母線、81,82…データ保持部、100…メイン制御部、T…対象箇所。 1 ... Isolation management system, 2 ... Integrated database, 3 ... Plant simulator, 4 ... Analysis unit, 5 ... Verification unit, 6 ... Analog circuit analysis unit, 7 ... Logic circuit analysis unit, 8 ... Path search analysis unit, 9 ... Deep learning unit, 10 ... neural network, 11 ... learning data generation unit, 12 ... first matrix data generation unit, 13 ... second matrix data generation unit, 14 ... reward function setting unit, 15 ... reinforcement learning unit, 15A ... deep layer Reinforcement learning function, 16 ... Operation procedure extraction unit, 17 ... Plan generation unit, 18 ... User interface, 19 ... Reception unit, 20 ... Output unit, 21 ... Input layer, 22 ... Output layer, 23 ... Intermediate layer, 24 ... Layer , 25 ... Power distribution system, 26-34 ... Circuit breaker, 35-45 ... Breaker, 46-52 ... Transformer, 53-60 ... Distribution board, 61-63 ... Bus line, 81, 82 ... Data holding unit, 100 ... main control unit, T ... target location.
Claims (7)
前記プラントにおけるアイソレーション作業の対象箇所の指定を受け付ける受付部と、
前記指定された対象箇所に関する前記要素の状態を変化させたときに、他の箇所の前記要素で生じる状態の変化のパターンを前記データベースに記憶された情報に基づいて解析する解析部と、
前記解析された変化のパターンが複数あり、これらの変化のパターンから特定のパターンを深層学習に基づいて抽出する深層学習部と、
前記抽出された特定のパターンに基づいて作業計画を生成する計画生成部と、
前記生成された作業計画を出力する出力部と、
を備え、
前記深層学習部は、
多層のニューラルネットワークから成る中間層と、
学習済みの前記多層のニューラルネットワークを構築するための学習データを生成する学習データ生成部と、
を備え、
前記学習データ生成部は、
前記解析部で解析された前記遮断器および前記断路器の開放状態または遮断状態を0または1で表現した第1行列データを生成する第1行列データ生成部と、
前記解析部で解析された前記遮断器および前記断路器の前記開放状態または前記遮断状態に対応する前記分電盤の導通状態または非導通状態を0または1で表現した第2行列データを生成する第2行列データ生成部と、
を備え、
前記深層学習部は、前記第1行列データおよび前記第2行列データを含む前記学習データを前記多層のニューラルネットワークに学習させて、この学習済みの前記多層のニューラルネットワークにより前記変化のパターンの特徴量を取得し、この特徴量に基づいて前記特定のパターンを抽出するアイソレーション管理システム。 A database that stores information, including at least design documents, about a plant built with at least multiple elements consisting of circuit breakers, disconnectors, and distribution boards .
A reception unit that accepts the designation of the target location for isolation work in the plant,
An analysis unit that analyzes the pattern of state change that occurs in the element at another location when the state of the element with respect to the specified target location is changed based on the information stored in the database.
There are a plurality of analyzed change patterns, and a deep learning unit that extracts a specific pattern from these change patterns based on deep learning.
A plan generation unit that generates a work plan based on the extracted specific pattern, and
An output unit that outputs the generated work plan and
Equipped with a,
The deep learning unit
An intermediate layer consisting of a multi-layer neural network and
A learning data generation unit that generates training data for constructing the trained multi-layer neural network,
With
The learning data generation unit
A first matrix data generation unit that generates first matrix data in which the open state or disconnection state of the circuit breaker and the disconnector analyzed by the analysis unit is expressed by 0 or 1.
Generates second matrix data in which the conduction state or non-conduction state of the distribution board corresponding to the open state or the disconnection state of the circuit breaker and the disconnector analyzed by the analysis unit is expressed by 0 or 1. Second matrix data generator and
With
The deep learning unit trains the learning data including the first matrix data and the second matrix data in the multi-layer neural network, and the learned multi-layer neural network is used to train the feature amount of the change pattern. An isolation management system that acquires and extracts the specific pattern based on this feature amount .
前記学習データ生成部は、前記データベースに記憶された前記過去の作業計画に基づいて前記学習データを生成する請求項1または請求項2に記載のアイソレーション管理システム。 Information on the work plan used in the past isolation work is stored in the database.
The isolation management system according to claim 1 or 2 , wherein the learning data generation unit generates the learning data based on the past work plan stored in the database.
前記データベースに記憶された情報に報酬関数を設定する報酬関数設定部と、
複数の前記特定のパターンを抽出し、これらの特定のパターンから前記報酬関数に基づいて価値が最も高くなるものを抽出する強化学習部と、
を備える請求項1から請求項3のいずれか1項に記載のアイソレーション管理システム。 The deep learning unit
A reward function setting unit that sets a reward function for the information stored in the database,
A reinforcement learning unit that extracts a plurality of the specific patterns and extracts the one having the highest value based on the reward function from these specific patterns.
The isolation management system according to any one of claims 1 to 3 .
前記計画生成部は、前記抽出された操作手順に基づいて前記作業計画を生成する請求項1から請求項4のいずれか1項に記載のアイソレーション管理システム。 The deep learning unit includes an operation procedure extraction unit that extracts an operation procedure of the isolation work based on the extracted specific pattern.
The isolation management system according to any one of claims 1 to 4 , wherein the plan generation unit generates the work plan based on the extracted operation procedure.
前記プラントにおけるアイソレーション作業の対象箇所の指定を受け付ける受付ステップと、
前記指定された対象箇所に関する前記要素の状態を変化させたときに、他の箇所の前記要素で生じる状態の変化のパターンを前記データベースに記憶された情報に基づいて解析する解析ステップと、
前記解析された変化のパターンが複数あり、これらの変化のパターンから特定のパターンを深層学習に基づいて抽出する深層学習ステップと、
前記抽出された特定のパターンに基づいて作業計画を生成する計画生成ステップと、
前記生成された作業計画を出力する出力ステップと、
を含み、
多層のニューラルネットワークから成る中間層と、
学習済みの前記多層のニューラルネットワークを構築するための学習データを生成する学習データ生成部と、
を備える深層学習部が、
前記解析ステップで解析された前記遮断器および前記断路器の開放状態または遮断状態を0または1で表現した第1行列データを生成し、
前記解析ステップで解析された前記遮断器および前記断路器の前記開放状態または前記遮断状態に対応する前記分電盤の導通状態または非導通状態を0または1で表現した第2行列データを生成し、
前記第1行列データおよび前記第2行列データを含む前記学習データを前記多層のニューラルネットワークに学習させて、
前記深層学習ステップにて、前記学習済みの前記多層のニューラルネットワークにより前記変化のパターンの特徴量を取得し、この特徴量に基づいて前記特定のパターンを抽出するアイソレーション管理方法。 A storage step that stores at least information, including design documents, in a database about a plant built with multiple elements consisting of circuit breakers, disconnectors, and distribution boards .
A reception step that accepts the designation of the target location for isolation work in the plant,
An analysis step of analyzing the pattern of state change that occurs in the element at another location when the state of the element with respect to the specified target location is changed based on the information stored in the database.
There are multiple patterns of change analyzed, and a deep learning step that extracts a specific pattern from these patterns of change based on deep learning, and
A plan generation step that generates a work plan based on the extracted specific pattern, and
An output step that outputs the generated work plan and
Only including,
An intermediate layer consisting of a multi-layer neural network and
A learning data generation unit that generates training data for constructing the trained multi-layer neural network,
The deep learning department equipped with
The first matrix data in which the open state or the cutoff state of the circuit breaker and the disconnector analyzed in the analysis step is expressed by 0 or 1 is generated.
The second matrix data in which the conduction state or non-conduction state of the distribution board corresponding to the open state or the disconnection state of the circuit breaker and the disconnector analyzed in the analysis step is expressed by 0 or 1 is generated. ,
The learning data including the first matrix data and the second matrix data is trained by the multi-layer neural network.
An isolation management method in which , in the deep learning step, a feature amount of the change pattern is acquired by the learned multi-layer neural network, and the specific pattern is extracted based on the feature amount .
Priority Applications (9)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017034494A JP6789848B2 (en) | 2017-02-27 | 2017-02-27 | Isolation management system and isolation management method |
KR1020180016036A KR20180099469A (en) | 2017-02-27 | 2018-02-09 | Isolation management system and isolation management method |
GB1802549.4A GB2561073B (en) | 2017-02-27 | 2018-02-16 | Isolation management system and isolation management method |
CA2996576A CA2996576A1 (en) | 2017-02-27 | 2018-02-26 | Isolation management system and isolation management method |
US15/905,237 US20180246478A1 (en) | 2017-02-27 | 2018-02-26 | Isolation management system and isolation management method |
RU2018106748A RU2678146C1 (en) | 2017-02-27 | 2018-02-26 | Outage control system and outage control system method |
FR1851684A FR3063369B1 (en) | 2017-02-27 | 2018-02-27 | INSULATION MANAGEMENT DEVICE AND INSULATION MANAGEMENT METHOD |
CN201810160566.9A CN108508852B (en) | 2017-02-27 | 2018-02-27 | Isolation management system and isolation management method |
KR1020200074438A KR20200074936A (en) | 2017-02-27 | 2020-06-18 | Isolation management system and isolation management method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017034494A JP6789848B2 (en) | 2017-02-27 | 2017-02-27 | Isolation management system and isolation management method |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2018142060A JP2018142060A (en) | 2018-09-13 |
JP6789848B2 true JP6789848B2 (en) | 2020-11-25 |
Family
ID=61783751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017034494A Active JP6789848B2 (en) | 2017-02-27 | 2017-02-27 | Isolation management system and isolation management method |
Country Status (8)
Country | Link |
---|---|
US (1) | US20180246478A1 (en) |
JP (1) | JP6789848B2 (en) |
KR (2) | KR20180099469A (en) |
CN (1) | CN108508852B (en) |
CA (1) | CA2996576A1 (en) |
FR (1) | FR3063369B1 (en) |
GB (1) | GB2561073B (en) |
RU (1) | RU2678146C1 (en) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10949595B2 (en) * | 2017-06-22 | 2021-03-16 | Semiconductor Energy Laboratory Co., Ltd. | Layout design system and layout design method |
JP7141320B2 (en) * | 2018-12-05 | 2022-09-22 | 株式会社日立製作所 | Reinforcement learning support device, maintenance planning device, and reinforcement learning support method |
JP7179600B2 (en) * | 2018-12-07 | 2022-11-29 | 株式会社東芝 | Isolation management device, method and program |
JP7118916B2 (en) * | 2019-03-20 | 2022-08-16 | 株式会社東芝 | Isolation work planning support device, method and program |
CN110221926B (en) * | 2019-05-27 | 2021-11-16 | 中国电建集团华东勘测设计研究院有限公司 | Isolation calculation management method for high arch dam pouring progress simulation |
JP7548099B2 (en) * | 2021-03-26 | 2024-09-10 | 横河電機株式会社 | Analysis device, analysis method, and program |
CN115098626B (en) * | 2022-06-10 | 2024-08-09 | 中核核电运行管理有限公司 | Nuclear power plant isolation information accurate matching method |
CN116308887B (en) * | 2023-05-12 | 2023-08-11 | 北京迅巢科技有限公司 | Intelligent power distribution integrated platform model construction method |
Family Cites Families (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1019723B (en) * | 1985-06-11 | 1992-12-30 | 三菱电机株式会社 | Electric interlocking loop for switching device |
JPH0646528B2 (en) | 1989-02-08 | 1994-06-15 | 富士電機株式会社 | Multi-phase contactless contactor |
JPH02213943A (en) * | 1989-02-15 | 1990-08-27 | Hitachi Ltd | Monitoring diagnostic method for device |
JPH02299001A (en) * | 1989-05-12 | 1990-12-11 | Toshiba Corp | Method for identifying controlled system |
JPH04199309A (en) * | 1990-11-29 | 1992-07-20 | Hitachi Ltd | Maintenance support device for instrumentation control system |
JP3058462B2 (en) * | 1991-03-01 | 2000-07-04 | 中部電力株式会社 | Power supply route inference device for bus inspection |
JP3231403B2 (en) * | 1992-07-22 | 2001-11-19 | 株式会社東芝 | Automatic isolation device for busbars |
JPH10319180A (en) * | 1997-05-14 | 1998-12-04 | Toshiba Corp | Recovery aiding system for plant anomaly |
KR100380308B1 (en) * | 2000-12-12 | 2003-04-16 | 한국전기연구원 | Switching on/off control system for synchronous circuit breaker using neural network |
JP4059014B2 (en) * | 2001-06-19 | 2008-03-12 | 富士電機システムズ株式会社 | Optimal plant operation method and optimal plant design method |
JP3619998B2 (en) * | 2002-01-04 | 2005-02-16 | 富士通株式会社 | Maintenance management system, method and program |
CN1648922A (en) * | 2005-03-03 | 2005-08-03 | 南京科远控制工程有限公司 | Enterprise managing integrated managing information control method |
JP2008181283A (en) | 2007-01-24 | 2008-08-07 | Toshiba Corp | Erroneous isolation prevention device |
JP5268400B2 (en) * | 2008-03-18 | 2013-08-21 | 株式会社東芝 | Process management system |
JP5308991B2 (en) | 2009-10-30 | 2013-10-09 | 株式会社日立製作所 | Maintenance work plan support method and system |
DE102012023424B4 (en) * | 2012-11-29 | 2019-08-14 | Kostal Industrie Elektrik Gmbh | Energy distribution system with a control device |
US10539934B2 (en) * | 2014-03-17 | 2020-01-21 | General Electric Technology Gmbh | Outage and switch management for a power grid system |
KR20150118456A (en) * | 2014-04-14 | 2015-10-22 | 엘에스산전 주식회사 | Method for partial discharge diagnosis of monitoring apparatus |
CN104156766A (en) * | 2014-07-28 | 2014-11-19 | 山东山大世纪科技有限公司 | Application of intelligent memory and self-learning system aiming at high-voltage switch divide-shut brake time |
CN104538222B (en) * | 2014-12-27 | 2016-09-28 | 中国西电电气股份有限公司 | High-voltage switch gear phase-controlled device based on artificial neural network and method |
US20160241031A1 (en) * | 2015-02-18 | 2016-08-18 | Nec Laboratories America, Inc. | Dynamic probability-based power outage management system |
US10243397B2 (en) * | 2015-02-20 | 2019-03-26 | Lifeline IP Holdings, LLC | Data center power distribution |
US10164431B2 (en) * | 2015-03-17 | 2018-12-25 | General Electric Technology Gmbh | Outage management and prediction for a power grid system |
US10089204B2 (en) * | 2015-04-15 | 2018-10-02 | Hamilton Sundstrand Corporation | System level fault diagnosis for the air management system of an aircraft |
KR101541808B1 (en) * | 2015-04-30 | 2015-08-04 | 한국해양과학기술원 | Vessel traffic service expert system for using deep learning algorithm and method thereof |
US20170032245A1 (en) * | 2015-07-01 | 2017-02-02 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and Methods for Providing Reinforcement Learning in a Deep Learning System |
CN104951905A (en) * | 2015-07-16 | 2015-09-30 | 中国神华能源股份有限公司 | Equipment dynamic ledger management system |
JP6174669B2 (en) * | 2015-07-31 | 2017-08-02 | ファナック株式会社 | Cell control system, production system, control method and control program for controlling manufacturing cell having a plurality of manufacturing machines |
JP6106226B2 (en) * | 2015-07-31 | 2017-03-29 | ファナック株式会社 | Machine learning device for learning gain optimization, motor control device including machine learning device, and machine learning method |
JP6240689B2 (en) * | 2015-07-31 | 2017-11-29 | ファナック株式会社 | Machine learning device, robot control device, robot system, and machine learning method for learning human behavior pattern |
CN105321039B (en) * | 2015-09-24 | 2022-03-01 | 国家电网公司 | Online monitoring data management system and method for isolating switch |
US9536191B1 (en) * | 2015-11-25 | 2017-01-03 | Osaro, Inc. | Reinforcement learning using confidence scores |
CN105787557B (en) * | 2016-02-23 | 2019-04-19 | 北京工业大学 | A kind of deep-neural-network construction design method of computer intelligence identification |
-
2017
- 2017-02-27 JP JP2017034494A patent/JP6789848B2/en active Active
-
2018
- 2018-02-09 KR KR1020180016036A patent/KR20180099469A/en not_active IP Right Cessation
- 2018-02-16 GB GB1802549.4A patent/GB2561073B/en active Active
- 2018-02-26 RU RU2018106748A patent/RU2678146C1/en active
- 2018-02-26 CA CA2996576A patent/CA2996576A1/en not_active Abandoned
- 2018-02-26 US US15/905,237 patent/US20180246478A1/en not_active Abandoned
- 2018-02-27 CN CN201810160566.9A patent/CN108508852B/en active Active
- 2018-02-27 FR FR1851684A patent/FR3063369B1/en active Active
-
2020
- 2020-06-18 KR KR1020200074438A patent/KR20200074936A/en not_active Application Discontinuation
Also Published As
Publication number | Publication date |
---|---|
GB201802549D0 (en) | 2018-04-04 |
KR20200074936A (en) | 2020-06-25 |
CA2996576A1 (en) | 2018-08-27 |
KR20180099469A (en) | 2018-09-05 |
JP2018142060A (en) | 2018-09-13 |
FR3063369A1 (en) | 2018-08-31 |
CN108508852A (en) | 2018-09-07 |
RU2678146C1 (en) | 2019-01-23 |
GB2561073A (en) | 2018-10-03 |
CN108508852B (en) | 2021-08-03 |
FR3063369B1 (en) | 2023-12-01 |
US20180246478A1 (en) | 2018-08-30 |
GB2561073B (en) | 2020-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6789848B2 (en) | Isolation management system and isolation management method | |
Yang et al. | Development of a risk monitoring system for nuclear power plants based on GO-FLOW methodology | |
Tretmans et al. | Software engineering with formal methods: The development of a storm surge barrier control system revisiting seven myths of formal methods | |
Zhu et al. | A system-of-systems framework for performance assessment in complex construction projects | |
Zou et al. | Reliability forecasting for operators’ situation assessment in digital nuclear power plant main control room based on dynamic network model | |
Giehl et al. | A framework to assess impacts of cyber attacks in manufacturing | |
Shin et al. | Model‐based integration of test and evaluation process and system safety process for development of safety‐critical weapon systems | |
Shtub | Project management simulation with PTB project team builder | |
Kumar | A model-based safety-security risk analysis framework for interconnected critical infrastructures | |
Beniuga et al. | Using Petri net tool to study the dynamic behaviour of power systems protections | |
FITZGERALD et al. | Concepts of dependable cyber-physical systems engineering: model-based approaches | |
Nelson et al. | Methodology for supporting the determination of human error probabilities from simulator sourced data | |
Chaudron et al. | Lessons from the application of formal methods to the design of a storm surge barrier control system | |
West et al. | Automatic identification of critical digital assets | |
Lee et al. | Validation of severe accident management guidelines (SAMGs) for advanced power reactor 1400 (APR1400) using colored Petri net (CPN) Tools | |
Petkov et al. | Safety investigation of team performance in accidents | |
JP2020154820A (en) | Isolation work planning assist system, method, and program | |
Ruether | A virtual environment for resilient infrastructure modeling and design | |
Kambhu et al. | Part 3: Systemic risk in ecology and engineering | |
Velykiene | Applications of Dependable Computing Concepts to National Infrastructure Systems | |
Jiang et al. | Development of a simulation game platform for flexible generation expansion planning and Design of Power Grid Systems | |
JP5180809B2 (en) | Information control system and method for creating control software | |
Gurunathan | Availability modeling and estimation of Fluid Catalytic Cracking Unit using generalized Stochastic Petri Nets | |
Yeow et al. | Integration of safety risk assessment techniques into requirement elicitation | |
Jorgensen et al. | Cyber Security-Understanding Your Threat Landscape |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A712 Effective date: 20171109 |
|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A711 Effective date: 20171110 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190311 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200212 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20200213 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200410 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20201006 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20201104 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6789848 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |